ChurNAS : uma busca de arquitetura neural para previsão de desligamento de clientes.

Abstract

A Predição de desligamento de clientes PDC (do inglês Customer Churn Pre- diction) é fundamental para a gestão eficiente de clientes, uma vez que permite a otimização da lucratividade por meio de estratégias de marketing informadas e cam- panhas de retenção. Nesse contexto, o presente estudo propõe uma nova abordagem, chamada ChurNAS, baseada em algoritmo genético para a busca de arquiteturas neurais (Neural Architecture Search - NAS) em problemas de PDC na indústria de serviços financeiros. Ao contrário dos modelos tradicionais, como regressão logística e árvore de decisão, as redes neurais profundas apresentam maior versatilidade para modelagem de dados complexos. No entanto, a busca pela arquitetura ideal em redes neurais profundas ́e um desafio devido `a sua alta complexidade. Os resultados demonstram que a abordagem ChurNAS encontrou modelos com desempenho supe- rior aos classificadores tradicionais ajustados por otimiza ̧c ̃ao de hiperparâmetros. A abordagem proposta obteve uma acurácia de 88,6%, em comparação com 82,54% do XG-Boost e 82,49% do Floresta Aleatória. Al ́em disso, alcançou uma sensibilidade de 58,89%, enquanto o XG-Boost e o Floresta Aleatória apresentaram 57,1% e 57,81%, respectivamente. Quanto `a precisão, a abordagem ChurNAS obteve 39,41%, superando o XG-Boost (26,96%) e o Floresta Aleatória (26,17%). Adicionalmente, o estudo examinou o impacto da quantidade de dados e da capacidade do modelo, enfatizando a importância de considerar a natureza temporal das transações financei- ras ao utilizar redes neurais para PDC. Em suma, este trabalho destaca o potencial da abordagem ChurNAS para solucionar problemas de PDC no setor de servi ̧cos financeiros e melhorar a eficiência do gerenciamento de clientes.